以自动化工具驱动的儿童故事绘本创作正成为数字内容生产的新趋势。多模态AI模型结合文本、图片和语音技术，为故事表达带来全新的互动体验。本文介绍如何通过Dify平台，实现从儿童故事文本到带语音讲解的动画视频的全流程自动生成。将流程拆解为分镜文本生成、插画创作、语音合成与视频输出，适配教育、亲子和内容创作等多元场景。文章目录儿童故事绘本核心模型Node节点工作流程应用场景开发与应用儿童故事绘本工作流面向儿童故事绘本的自动生成与视频合成，主要实现文本分镜脚本生成、分镜图片创作、语音合成以及最终的视频动画输出。只需准备绘本故事的文本内容，选择分镜数量、语音类型、图片分辨率等参数，系统会自动调用大语言模型分解脚本，通过图像生成模型绘制分镜插图，并以指定的语音合成故事配音，最终合成输出带有语音讲解的动画视频。整个流程高度自动化，适合无基础的用户一键完成故事绘本的多媒体呈现，从文本到动画视频全链路打通，满足儿童教育、亲子互动等多样化场景需求。核心模型模型名称说明Qwen/QwQ-32BPro/Qwen/Qwen2.5-7B-Instructinternlm3-latest用于故事分镜文本的生成，支持多家主流大模型，提升故事分镜拆解与理解能力。black-forest-labs/FLUX.1-schnell用于文本生成插图的AI美术模型，保证分镜插画风格一致、画面细腻，适合儿童绘本。语音合成模型（如 zh-CN-XiaoxiaoNeural 等）